陈江美，张岐山，张文德，何 珑

1(福州大学 经济与管理学院，福州 350108) 2(福州大学 信息管理研究所，福州 350108) 3(福州大学 网络与信息化建设办公室，福州 350108)

1 引 言

随着智能终端设备的普及和定位技术的发展，人们更加容易地获得实时的位置信息，基于位置的社交网络(location-based social network,LBSN)应运而生[1].在LBSN中，用户根据个人喜好选择兴趣相投的兴趣点(point-of-interest，POI)，并以“签到”的方式与朋友分享他们感兴趣的兴趣点.兴趣点推荐增强了用户的个性化体验，如何帮助用户从大量的兴趣点中挖掘出他们喜欢的地点不断引起学术界的关注，成为了推荐领域研究的热点.

目前，大多数的研究[2-4]主要利用用户的历史签到记录并融合相关的上下文信息(如地理信息、社交信息等)进行推荐.为了进一步了解用户的移动行为，少数学者将时间融入兴趣点推荐领域中，但推荐精度有待提高，同时现存的研究仍面临一些挑战.首先，LBSN中的每个用户仅签到有限个兴趣点，用户签到矩阵极其稀疏，若根据时间划分用户偏好矩阵，会造成更严重的数据稀疏问题.其次，大多数用户在一天中的不同时间有不同的签到偏好，例如中午去餐馆，晚上去商场，如何更好地建模时间影响是一大难点.最后，LBSN中存在大量的异构信息，这些信息对兴趣点推荐的性能发挥着不同程度的影响，如何有效融合这些信息值得关注.

针对以上问题，本文提出了一种基于均衡接近度增强时间的兴趣点推荐模型(GB-TSP).首先，本文将时间……